面向不同图网络结构的节点分类任务的联邦参数聚合方法
机器学习
2024-03-26 v1 人工智能
摘要
在过去几年中，联邦学习因其在不泄露隐私的情况下协作训练来自多个来源的数据的能力，已广泛应用于各种经典机器学习领域。然而，在图神经网络领域，许多实际应用中各客户端持有的图的节点和网络结构不同，直接共享模型梯度的聚合方法无法直接应用于此场景。因此，本文提出了一种适用于多种图联邦场景的联邦聚合方法FLGNN，并研究了图神经网络模型各层参数共享的聚合效果。通过在真实数据集上的实验验证了联邦聚合方法FLGNN的有效性。此外，针对FLGNN的隐私安全性，本文设计了成员推理攻击实验和差分隐私防御实验。结果表明，FLGNN具有良好的鲁棒性，并且通过添加差分隐私防御方法进一步降低了隐私窃取的成功率。
引用
@article{arxiv.2403.16004,
title = {A Federated Parameter Aggregation Method for Node Classification Tasks with Different Graph Network Structures},
author = {Hao Song and Jiacheng Yao and Zhengxi Li and Shaocong Xu and Shibo Jin and Jiajun Zhou and Chenbo Fu and Qi Xuan and Shanqing Yu},
journal= {arXiv preprint arXiv:2403.16004},
year = {2024}
}